公开(公告)号：CN119399210A

公开(公告)日：2025-02-07

申请号：CN202510014884.4

申请日：2025-01-06

Applicant: 南京邮电大学

Inventor： 王传栋 ,  陈向龙 ,  郭威 ,  郭思辰 ,  陈蕾

IPC: G06T7/00 ,  G06V10/44 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/096

Abstract: 本发明的一种基于贝叶斯条件扩散模型的可信表面缺陷检测方法及设备，包括构建训练数据集和测试数据集；构建基于条件扩散模型的不确定性感知的工业产品表面缺陷检测模型并训练，将测试图片输入到上述模型中进行检测，分别得到输入结果的缺陷预测图像、不确定性预测图像；将原始输入图像，缺陷预测结果与不确定性预测结果进行整理，得到第二次迭代时的条件引导图像；将得到的条件引导图像、待检测图像输入到条件扩散模型中，得到最终的缺陷预测图像以及不确定性度量。本发明基于拉普拉斯近似，对模型生成的结果进行不确定性度量，并利用输出结果的不确定性优化检测结果，紧接着进行迭代提高最终检测结果的可信度。

公开(公告)号：CN117974634A

公开(公告)日：2024-05-03

申请号：CN202410361714.9

申请日：2024-03-28

Applicant: 南京邮电大学

Inventor： 陈蕾 ,  唐家磊 ,  陈向龙 ,  陈欣易 ,  王淼 ,  骆健

IPC: G06T7/00 ,  G06V10/82 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明属于基于计算机视觉的缺陷检测领域，公开了一种基于证据深度学习的无锚框表面缺陷可信检测方法，包括：获取缺陷样本训练数据集；构建基于证据深度学习的无锚框表面缺陷可信检测模型；使用所提出的不确定性自适应加权损失训练模型；获取缺陷样本测试数据集；将测试图像输入已训练的模型中，分别预测缺陷中心证据热力图、缺陷尺寸热力图和离散化误差热力图；使用D‑S理论对缺陷中心证据热力图局部峰值点进行可信融合，结合尺寸和离散化误差来生成最终结果。本发明使用证据深度学习方法建模不确定性，有效缓解现代深度网络过度自信的问题，降低高端装备核心零部件表面缺陷检测时漏检或误检风险。

公开(公告)号：CN117974634B

公开(公告)日：2024-06-04

申请号：CN202410361714.9

申请日：2024-03-28

Applicant: 南京邮电大学

Inventor： 陈蕾 ,  唐家磊 ,  陈向龙 ,  陈欣易 ,  王淼 ,  骆健

IPC: G06T7/00 ,  G06V10/82 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明属于基于计算机视觉的缺陷检测领域，公开了一种基于证据深度学习的无锚框表面缺陷可信检测方法，包括：获取缺陷样本训练数据集；构建基于证据深度学习的无锚框表面缺陷可信检测模型；使用所提出的不确定性自适应加权损失训练模型；获取缺陷样本测试数据集；将测试图像输入已训练的模型中，分别预测缺陷中心证据热力图、缺陷尺寸热力图和离散化误差热力图；使用D‑S理论对缺陷中心证据热力图局部峰值点进行可信融合，结合尺寸和离散化误差来生成最终结果。本发明使用证据深度学习方法建模不确定性，有效缓解现代深度网络过度自信的问题，降低高端装备核心零部件表面缺陷检测时漏检或误检风险。

公开(公告)号：CN119399210B

公开(公告)日：2025-04-29

申请号：CN202510014884.4

申请日：2025-01-06

Applicant: 南京邮电大学

Inventor： 王传栋 ,  陈向龙 ,  郭威 ,  郭思辰 ,  陈蕾

IPC: G06T7/00 ,  G06V10/44 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/096

Abstract: 本发明的一种基于贝叶斯条件扩散模型的可信表面缺陷检测方法及设备，包括构建训练数据集和测试数据集；构建基于条件扩散模型的不确定性感知的工业产品表面缺陷检测模型并训练，将测试图片输入到上述模型中进行检测，分别得到输入结果的缺陷预测图像、不确定性预测图像；将原始输入图像，缺陷预测结果与不确定性预测结果进行整理，得到第二次迭代时的条件引导图像；将得到的条件引导图像、待检测图像输入到条件扩散模型中，得到最终的缺陷预测图像以及不确定性度量。本发明基于拉普拉斯近似，对模型生成的结果进行不确定性度量，并利用输出结果的不确定性优化检测结果，紧接着进行迭代提高最终检测结果的可信度。

公开(公告)号：CN115964660A

公开(公告)日：2023-04-14

申请号：CN202211693617.7

申请日：2022-12-28

Applicant: 南京邮电大学

Inventor： 王传栋 ,  余胜男 ,  徐康 ,  陈蕾 ,  陈向龙

IPC: G06F18/241 ,  G06F18/25 ,  G06N3/0442 ,  G06N3/048 ,  G06N3/084 ,  G06F40/211 ,  G06F40/30 ,  G06F18/2135

Abstract: 本发明属于数据挖掘技术领域，公开了一种基于多模双线性池化融合GNN的事件关系抽取方法，包括：步骤1：对数据集进行预处理，划分双重GNN模型的训练集和测试集；步骤2：利用BiLSTM作为句子编码器，来获取每个句子中单词基于上下文的隐表示；步骤3：将隐表示分别输入到SynGCN模块和SemGAT模块中，提取句法结构特征和语义特征；步骤4：使用多模双线性池化来融合两模块的特征，再用PCA对特征进行降维后，利用融合特征来进行关系分类，得到对应关系的概率；步骤5：对网络参数进行优化更新；步骤6：根据训练好的模型，对测试集中的数据进行预测。本发明时考虑句法特征和语义特征，达到对句子的全局理解。